[發明專利]一種獲取3D人臉數據方法、人臉識別方法及裝置

有效

• 申請號: 202010174487.0
• 申請日: 2020-03-13
• 公開（公告）號: CN111402401B
• 公開（公告）日: 2023-08-18
• 發明（設計）人: 張彥博;李驪
• 申請（專利權）人: 北京華捷艾米科技有限公司
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06V10/774;G06V40/16;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 郭化雨

本申請實施例公開了一種獲取3D人臉數據方法、人臉識別方法及裝置，具體地，首先獲取2D人臉數據，然后，利用3D人臉形變模型構造出該2D人臉數據對應的3D人臉數據。即，當需要獲取大量的3D人臉數據時，可以利用3D人臉形變模型將不同的2D人臉數據進行轉換，從而生成大量的3D人臉數據。即，通過本申請實施例提供的方法，通過利用3D人臉形變模型構造大級別的3D人臉數據，解決了3D人臉識別中3D數據匱乏的問題，在一定程度上提升人臉識別的精度。

技術領域

本申請涉及圖像處理技術領域，特別是涉及一種獲取3D人臉數據方法、人臉識別方法及裝置。

背景技術

隨著科技的進步，2D人臉識別的技術日漸成熟，在生活中應用廣泛，但是在一些光照，姿態或者表情的影響下，2D人臉識別能力會下降，甚至出現誤判，導致人們的物質或財產的損失。

為彌補2D人臉識別的不足，基于深度學習3D人臉識別應運而生，2D的人臉識別只有平面上的信息，而3D人臉不但包含平面上的信息，而且包含深度方向的信息，能夠反映面部更多的特征信息，如面部凹凸程度，曲率等特征，能在一定程度上克服2D人臉識別的缺陷。然而，由于在訓練過程中，受應用環境的限制，使得所獲取的3D數據匱乏，導致無法提升識別模型的泛化能力，影響識別的準確性。

發明內容

有鑒于此，本申請實施例提供一種獲取3D人臉數據方法、人臉識別方法及裝置，通過構造豐富多樣的3D人臉數據，生成人臉識別模型，進而提高人臉識別的精度。

為解決上述問題，本申請實施例提供的技術方案如下：

在本申請實施例第一方面，提供了一種獲取3D人臉數據的方法，包括：

獲取2D人臉數據；

根據3D人臉形變模型將所述2D人臉數據進行轉換，生成3D人臉數據。

在一種可能的實現方式中，所述獲取2D人臉數據，包括：

對于一張2D人臉圖像，獲取人臉各個關鍵點，構成2D人臉數據。

在一種可能的實現方式中，所述根據3D人臉形變模型將所述2D人臉數據進行轉換，生成3D人臉數據，包括：

獲取3D人臉形變模型對應的3D關鍵點集合以及第一特征集合；

根據所述2D人臉數據中的各個關鍵點、所述3D關鍵點集合以及所述第一特征集合獲取所述第一特征集合對應的權重集合；

利用所述權重集合、所述3D人臉形變模型對應的第二特征集合以及標準向量集合獲得所述2D人臉數據對應的3D人臉數據，所述權重集合中的權重個數與所述第二特征集合中的特征個數一致；所述第二特征集合中的特征維度大于所述第一特征集合中的特征維度，所述第一特征集合是由所述第二特征集合經降維轉換后獲得的。

在一種可能的實現方式中，所述第一特征集合包括第一ID特征集合和第一表情特征集合，所述權重集合包括ID權重集合和表情權重集合；所述第二特征集合包括第二ID特征集合和第二表情特征集合。

在一種可能的實現方式中，所述方法還包括：

利用變換矩陣將所述3D人臉數據映射至平面，獲得目標人臉數據。

在一種可能的實現方式中，所述方法還包括：；

根據所述目標人臉數據以及所述目標人臉數據對應的標簽對初始深度學習模型的模型參數進行訓練，生成人臉識別模型。

在一種可能的實現方式中，所述利用變換矩陣將所述3D人臉數據映射至平面，獲得目標人臉數據，包括：

將所述3D人臉數據進行歸一化處理，獲得處理后的3D人臉數據；

利用變換矩陣將所述處理后的3D人臉數據映射至平面，獲得目標人臉數據。